CANN 网络示例¶

本章聚焦 examples/cann/ 内直接驱动 CANN 网络的脚本，涵盖 1D/2D bump 追踪、调谐曲线、以及 theta 调制驱动的可视化。每个示例都明确指出使用到的模型、任务和分析函数。

cann1d_oscillatory_tracking.py¶

路径：examples/cann/cann1d_oscillatory_tracking.py
目的：演示 1D CANN 在 SmoothTracking1D 输入下的平滑跟踪，并输出能量景观动图。
核心 API：
运行流程： 1. 设置 brainstate.environ.set(dt=0.1) 并初始化 512 节点的 1D CANN。 2. 构造目标位置序列 (Iext) 与时间 (duration)，调用 task.get_data() 生成刺激。 3. 使用 brainstate.compile.for_loop 执行网络更新，收集网络状态与输入轨迹。 4. 调用 canns.analyzer.plotting.energy_landscape_1d_animation() 生成 GIF（可配合 PlotConfigs.energy_landscape_1d_animation 预设参数）。
输出：生成 test_smooth_tracking_1d.gif（或自定义路径）。
延伸：
- 可替换为 CANN1D_SFA 对比带自适应电流的响应。
- 修改 Iext 为更复杂的轨迹，或搭配 tuning_curve 检测稳态激活。

路径：examples/cann/cann1d_tuning_curve.py
目的：在 1D CANN 中采集选定神经元的平均放电率，绘制调谐曲线。
核心 API： - CANN1D - SmoothTracking1D - tuning_curve()
运行流程： 1. 构建覆盖 [-π, π] 的 1D CANN 和追踪任务（包含多个位置切换）。 2. 编译运行网络，记录发放率与外部输入。 3. 利用 PlotConfigs.tuning_curve 指定神经元索引、直方图 bins 与绘图样式。 4. 调用 canns.analyzer.plotting.tuning_curve() 绘制曲线（默认直接展示）。
输出：交互图或保存的 PNG（可通过 PlotConfigs.tuning_curve 配置 save_path）。
延伸：
- 将 neuron_indices_to_plot 扩展为更多索引，或传入 pref_stim=cann.x 对齐首选值。
- 与 HebbianTrainer.predict() 结合，验证学习前后的调谐变化。

路径：examples/cann/cann2d_tracking.py
目的：演示 2D CANN 在多目标输入下的活动迁移，并生成 2D 能量景观动图。
核心 API：
运行流程： 1. 创建 length=100 的 2D CANN 并初始化状态。 2. 指定一组二维 Iext 位置和 duration，以 SmoothTracking2D 产生输入轨迹。 3. 调用 brainstate.compile.for_loop 更新网络，记录 u/r/inp。 4. 采用 PlotConfigs.energy_landscape_2d_animation 渲染活动热图动画。
输出：生成 CANN2D_encoding.gif。
延伸：
- 调整 length 控制分辨率；若担心性能，可减少 time_steps_per_second。
- 搭配 SmoothTracking1D 运行对比实验，观察维度扩展的影响。

路径：examples/cann/theta_sweep_grid_cell_network.py
目的：使用方向细胞与网格细胞模型运行短时 theta sweep，并生成多种图像。
核心 API：
运行流程： 1. 建立 OpenLoopNavigationTask，以生成场地内的短程轨迹及 theta 辅助数据。 2. 初始化方向细胞/网格细胞网络，循环调用 calculate_theta_modulation 更新活动。 3. 调用 plot_population_activity_with_theta()、plot_grid_cell_manifold() 与 create_theta_sweep_animation() 输出图像与动图。
输出：生成 theta_sweep_animation.gif 及若干 PNG。
延伸：
- 调整 mapping_ratio、theta_strength_*，对比不同调制深度。
- 将生成的数据输入 ThetaSweepPipeline 复用可视化流程。